2.2.2 角度与马氏距离

文档摘要

2.2.2 角度与马氏距离在机器学习与模式识别的底层逻辑中，相似性度量从来不是一纸抽象定义，而是一把刻着数据几何结构的标尺——它不测量“多远”，而回答“是否同源”；不比较绝对位置，而判断相对姿态。当我们把两个向量投射到高维特征空间，欧氏距离可能被冗余维度稀释，协方差噪声扭曲，尺度差异淹没本质；此时，角度相似性与马氏距离便不再是教科书里的并列选项，而是一对互补共生的“双生度量”：一个凝视方向，一个校准形变；一个轻盈如矢量夹角，一个厚重如概率密度梯度。本节不谈概念辨析，不列公式推导，我们直抵工程现场——在PyTorch张量流中实现可微的角度余弦、在NumPy矩阵运算中构建鲁棒的马氏距离核、在真实故障诊断数据集上调试协方差矩阵的病态性、在GPU内存约束下重构批量马氏计算图。